结构从运动（SfM）-稀疏特征点的3D重建1.引言由运动到结构（StructurefromMotion,SfM）是一种从二维图像序列中恢复三维结构和相机运动的技术。在SfM中，通过分析图像中稀疏的特征点，我们可以估计出相机在拍摄过程中经历的姿态变化，并重建出场景的三维几何结构。COLMAP等常用的Sf

最近在开始新的领域，三维重建，其实是想做adas领域的4dlabel相关的工作。无奈啊，对computergraphics的东西，我一向很排斥，然后现在不得已要面对了。首先推荐一本书，MultipleViewGeometryinComputerVision(SecondEdition)，英语版本可能读着顺利些，中文的看反馈说翻译的不好。顾名

01现有标注方法的局限性在自动驾驶领域，静态地图元素的精确标注是实现高精度环境感知的关键。然而，现有的公共数据集在一致性和准确性方面存在局限，无法满足日益增长的高精度训练数据需求。图一展示了nuScenes数据集中的默认高清地图无法在一致性和准确性两个方面提供准确信息

前言 ETH&微软最新开源-全局式GLOMAP，它与以前的全局SfM系统相比，其核心区别在于全局定位步骤。不是先执行不适定的平移平均然后进行全局三角测量，而是进行联合相机和点位置估计。GLOMAP不仅在鲁棒性和准确性方面达到增量式COLMAP系统相当或更优的水平，同时还比COLMAP快几个数量级。

一、问题如题，要进行一个大场景的3DGS重建，数据集来自于某工地现场（大约3000张照片），数据集拍摄于同一个相机，按照国际惯例，3DGS需要输入一个稀疏点云，所以首先利用colmap进行稀疏重建。进行特征提取，特征匹配（colmap官网建议1000-10000张图的特征匹配使用vocabtree），稀疏重建以后，发现场

背景掌握传统的多视图三维重建基本流程总体流程多视图三维重建的Pipieline如下图，总共分为四个步骤：拍摄场景多视角的图像建立这些图像之间的联系（DataAssociation）SFM稀疏重建MVS稠密重建DataAssociation建立图像之间的联系主要包含以下4个步骤：1）特征提取；2）特征匹配；3）基

这里我们采用欧式恢复 

将M1设为世界坐标，已知其他相机相对M1的RT矩阵，通过RT矩阵和M1的到其他的相机坐标系就是所谓的运动。    WT=W-1——————————————————————————————————————————————————————从上图可以知道W，U，R全部都是正定